Undersampling and Cumulative Class Re-decision Methods to Improve Detection of Agitation in People with Dementia

要約

タイトル：認知症患者における不穏定行動の検出精度改善のためのアンダーサンプリングと累積クラス再決定法

要約：

– 認知症患者における不穏定行動は、患者と介護者の安全を危険にさらす最も一般的な症状の1つである。
– 居住設備に暮らす認知症患者の健康と安全をサポートするために、客観的な不穏定行動検出手法の開発が重要である。
– 以前の研究で、17人の参加者から600日間のマルチモーダルなウェアラブルセンサーデータを収集し、1分間の不穏定行動の予測に向けた機械学習モデルを開発した。
– しかし、データセットには均衡の問題や、不穏定行動の発生は通常の行動に比べて遥かに少なく、ラベルの不正確さなどの重大な制限がある。
– そこで、本論文では、まず、均衡の問題を解消するためにさまざまなアンダーサンプリング手法を実装し、通常の行動データのわずか20％だけで競争力のある不穏定行動検出モデルを訓練できることが結論づけられた。
– 次に、曖昧な時間間隔（ATI）仮説を考慮した手動ラベリング機構を評価するために、重み付きアンダーサンプリング法を設計した。
– その後、不穏定行動の歴史的な連続性と連続性の特徴に基づいて、累積クラス再決定（CCR）のポストプロセッシング手法を提案し、不穏定行動検出システムの潜在的な応用における意思決定性能を改善した。
– 結果は、アンダーサンプリングとCCRの組み合わせがF1スコアとその他のメトリックを様々に改善し、訓練時間と使用データを少なくできることを示し、臨床目的のための潜在的な閾値範囲を見つける方法を示唆している。

要約(オリジナル)

Agitation is one of the most prevalent symptoms in people with dementia (PwD) that can place themselves and the caregiver’s safety at risk. Developing objective agitation detection approaches is important to support health and safety of PwD living in a residential setting. In a previous study, we collected multimodal wearable sensor data from 17 participants for 600 days and developed machine learning models for predicting agitation in one-minute windows. However, there are significant limitations in the dataset, such as imbalance problem and potential imprecise labels as the occurrence of agitation is much rarer in comparison to the normal behaviours. In this paper, we first implement different undersampling methods to eliminate the imbalance problem, and come to the conclusion that only 20\% of normal behaviour data are adequate to train a competitive agitation detection model. Then, we design a weighted undersampling method to evaluate the manual labeling mechanism given the ambiguous time interval (ATI) assumption. After that, the postprocessing method of cumulative class re-decision (CCR) is proposed based on the historical sequential information and continuity characteristic of agitation, improving the decision-making performance for the potential application of agitation detection system. The results show that a combination of undersampling and CCR improves F1-score and other metrics to varying degrees with less training time and data used, and inspires a way to find the potential range of optimal threshold reference for clinical purpose.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI